💻 computer science

Bidirectional Path Integral Monte Carlo Simulation of Quantum Circuits

本文提出了一种通过多重重要性采样增强的双向路径积分蒙特卡洛算法，用于高效估计极稀疏路径空间中的量子电路跃迁振幅，并证明了与单向方法相比，该算法在处理高达 4096 个量子比特的电路时具有更优越的收敛性和可扩展性。

原作者： Luis Paulo Santos, Thomas Bashford-Rogers

发布于 2026-09-23

📖 1 分钟阅读☕ 轻松阅读

原作者： Luis Paulo Santos, Thomas Bashford-Rogers

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

在构建实用量子计算机的竞赛中，科学家们面临着一个顽固的悖论：这些承诺解决不可能问题的机器，目前却过于脆弱，无法进行长时间的计算。这些设备稀缺、昂贵，且容易受到环境引起的误差影响，这意味着它们在失去其量子特性之前，只能执行非常短的操作序列。为了理解这些带有噪声的机器并设计出更好的机器，研究人员依赖经典计算机来模拟量子电路应当如何表现。然而，模拟量子系统是极其困难的，因为可能的状态数量呈爆炸式增长，以至于对于一个仅有几十个粒子的系统，标准计算机所需的内存将超过宇宙中现有的总量。这造成了一个瓶颈：最有趣的量子电路对于模拟来说规模太大，而对于实际硬件运行来说又过于复杂。

为了应对这一局面，研究人员路易斯·保罗·桑托斯（Luis Paulo Santos）和托马斯·巴斯福德-罗格斯（Thomas Bashford-Rogers）开发了一种新方法，该方法灵感源于光线如何在房间内传播，用以估算量子电路的行为。他们并没有尝试同时计算每一个可能的情况（这对于大型系统而言是不可能的），而是使用了一种称为蒙特卡洛模拟（Monte Carlo simulation）的统计技术。想象一下，你试图在一片广袤黑暗的森林中寻找一条特定的路径，而大多数小径都通向死胡同。传统的方法是从入口开始向前游荡，希望能撞见出口。如果出口非常罕见，游 wanderer 可能会走上数年也找不到一条成功的路线；或者如果他们纯靠运气找到了，由于这种幸运发现的概率极低，计算结果也会变得极不准确。桑托斯和巴斯福德-罗格斯意识到，通过从出口开始进行第二次搜索并向后行走，他们可以在中间会合。这种双向方法极大地增加了找到有效路径的概率，使得他们能够比以往的方法更快、更准确地估算量子电路的结果。

他们工作的核心是一种估算量子电路“跃迁振幅”（transition amplitude）的算法，这本质上是衡量一个系统从特定初始状态转移到特定结束状态的可能性。在量子力学的语言中，这涉及对系统可能采取的无数种可能历史或路径的贡献进行求和。研究人员应用了一种被称为“双向路径追踪”（bidirectional path tracing）的技术，这已经是计算机图形学中用于渲染逼真光影图像的标准工具。在该领域，这种技术通过从两端追踪射线来连接光源与摄像机，从而找到那些真正照亮场景的稀有路径。桑托s和巴斯福德-罗格斯将这一逻辑应用于量子电路，同时从输入状态和输出状态生成随机游走。然后，他们在电路时间轴上的各个点将这两个部分缝合在一起，从而形成完整的路径。

这种方法解决了一个被称为“稀疏性”（sparsity）的关键问题。在许多复杂的量子电路中，真正对最终结果有贡献的路径数量与总路径数相比微乎其微。仅向前搜索往往无法找到这些稀有的、非零的路径，导致估算结果要么是错误的，要么需要无法实现的计算时间才能收敛。通过从两端同时接近，新算法能更频繁地找到这些可行路径。此外，研究人员采用了一种称为“多重重要性采样”（multiple importance sampling）的统计权重技术。这确保了当找到一条路径时，其贡献的计算方式能够避免因除以极小概率而产生的极端误差。其结果是一个不仅更准确，而且更加稳定的模拟，减少了困扰其他方法的统计噪声。

团队在各种量子电路上测试了他们的算法，其中包括那些被设计为对经典计算机模拟特别困难的电路。他们将这种双向方法与标准的单向向前方法进行了对比。结果显示出清晰且一致的优势：双向算法收敛到正确答案的速度更快，只需更少的样本即可达到相同的精度水平。在某些情况下，这种改进非常显著，新方法比旧方法高效了数千倍。研究人员展示了他们的算法可以处理高达 4,096 个量子比特的电路，这一规模对于要求内存随量子比特数呈指数级增长的传统模拟方法来说是完全不可能实现的。相比之下，他们的方法使用的内存仅随量子比特数线性增长，使其能够在标准超级计算机上运行而不会耗尽空间。

这项研究最重要的发现之一是驱动这种改进的核心因素。在量子模拟中存在一个众所周知的挑战，称为“数值符号问题”（numerical sign problem），即不同路径的贡献会相互抵消，使得计算变得困难。有些人可能会认为新算法之所以表现更好，是因为它解决了这种抵消问题。然而，研究人员明确排除了这一点。他们的数据表明，双向方法的成功并非源于更好地处理了路径抵消，而是单纯因为更有效地找到了那些非零路径。通过连接前向和后向搜索，该算法能更有效地在稀疏的历史景观中导航，在忽略绝大多数无关路径的同时，找到了那些至关重要的路径。

该研究还强调了这种方法的实际局限性。虽然该算法可以模拟包含数千个量子比特的电路，但模拟的难度仍然取决于路径之间相互干涉的程度。当干涉作用强烈时，获得准确答案所需的样本量仍然会增加，尽管双向方法比其前任方法处理得更好。研究人员指出，他们目前的工作是在理想、无噪声的条件下进行的。未来的工作需要解决这些方法在真实的、带有噪声的量子硬件上的表现，在这些硬件上，可逆性的规则可能会略有不同。尽管如此，能够证明经典计算机可以估算一个 4,096 量子比特电路的行为，这本身就是一个重大的进步。它为验证量子算法和基准测试新兴量子设备的性能提供了一个强大的工具，让我们得以窥见那些目前规模过大或复杂度过高、难以理解的系统的行为。

技术摘要：量子电路的双向路径积分蒙特卡洛模拟

问题陈述
经典量子电路模拟对于验证算法和基准测试近端设备至关重要，但面临着时间与空间上的指数级扩展挑战。虽然基于薛定谔方法的（状态向量模拟）可以提供精确结果，但其内存需求呈 $O(2^n)$ 增长，限制了其模拟规模在约 30–50 个量子比特左右。相反，费曼路径积分方法通过对计算路径进行求和，而非存储完整的状态向量，提供了 $O(nL)$ 的空间复杂度（其中 $n$ 是量子比特数， $L$ 是电路深度）。然而，路径空间是指数级庞大的（ $|P| = 2^{n(L-1)}$ ），且通常极其稀疏，这意味着具有非零振幅的路径数量相对于总路径数而言微乎其微。

标准蒙特卡洛（MC）方法试图通过随机采样路径来估计跃迁振幅 $\langle\Psi_f| \hat{U}|\Psi_0\rangle$ 。该领域面临的主要挑战是“维度诅咒”与路径空间的稀疏性。单向前向采样往往无法找到连接初始态 $|\Psi_0\rangle$ 到最终态 $|\Psi_f\rangle$ 的具有非零振幅的路径。当找到此类路径时，它们的采样概率通常极低，导致权重（ $f(\bar{z})/p(\bar{z})$ ）极大且估计量方差很高。此外，“数值符号问题”（路径间的破坏性干涉）也可能进一步降低性能，不过本文主要关注关于稀疏性的采样效率。

作者提出了一种**双向路径积分蒙特卡洛（BS）**算法，该算法集成了三个核心概念：

双向采样： 受计算机图形学中双向路径追踪（BDPT）的启发，该算法从初始态 $|\Psi_0\rangle$ $∣ Ψ_{0} ⟩$ （前向）和最终态 $|\Psi_f\rangle$ $∣ Ψ_{f} ⟩$ （后向）生成路径段。
- 前向路径段 $\bar{z}_F$ 使用前向重要性采样从 $|\Psi_0\rangle$ 采样至中间态 $s_{L-1}$ 。
- 后向路径段 $\bar{z}_B$ 使用伴随幺正算符 $\hat{U}^\dagger$ 从 $|\Psi_f\rangle$ 采样至中间态 $t_{L-1}$ 。
- 通过在特定的层 $l$ 处确定性地连接来自前向段的一个状态与来自后向段的一个状态，从而构建一条完整的路径。此过程在所有 $L$ 个可能的连接层上重复进行，每次采样迭代生成 $L$ 条候选路径。
多重重要性采样（MIS）： 为了解决由低概率路径引起的方差问题，作者采用了 MIS。由于一条路径可以通过在任何一个的 $L$ $L$ 层连接而生成，算法考虑了针对给定路径的所有 $L$ $L$ 种可能的采样策略。
- 估计量使用“平衡启发式”（balance heuristic）来加权每条路径的贡献。与其除以单个可能极小的采样概率 $p(\bar{z})$ ，不如将该路径可能被生成的 $L$ 种方式的概率进行求和（ $\sum p_d(\bar{z})$ ）。
- 这防止了估计量在通过低概率策略采样路径时发生爆炸，因为分母中的求和项保持稳健。
空间复杂度： 算法仅维护电路描述和当前路径状态，保留了优于状态向量方法的 $O(nL)$ 空间复杂度优势。

核心贡献
论文引入了 BS 估计器，并通过经验数据验证了三个具体的假设：

H1（收敛速率）： 双向方法比单向前向采样（FS）实现了显著更快的收敛速率（在给定样本数或执行时间下具有更低的方差）。
H2（可扩展性）： 得益于 $O(nL)$ 的内存使用量和高效的路径发现能力，该算法可以模拟高达 4096 个量子比特的电路，这一规模是标准基于薛定谔方法的模拟器无法企及的。
H3（稀疏性 vs. 符号问题）： BS 相对于 FS 的性能提升主要归功于对稀疏路径空间更高效的采样（寻找非零路径），而非对数值符号问题（破坏性干涉）的缓解。

实验结果
作者在两类电路族上测试了该算法：即瞬时量子多项式（IQP）电路和随机（RND）电路，范围涵盖 5 到 25 个量子比特用于收敛性分析，以及高达 4096 个量子比特的隐藏移位电路（HSC）用于扩展性分析。

收敛性： 对于大型电路（例如 25 量子比特的 IQP，12 量子比特的 RND），在相同样本数下，BS 估计器表现出比 FS 低 2 到 5 个数量级的方差降幅。在按执行时间衡量时，BS 的表现优于 FS 1 到 6 个数量级。
路径发现： 在高度稀疏的路径空间中，对于相同的样本数，BS 发现的非零振幅路径比 FS 多出高达六个数量级。
大规模模拟： 算法成功估计了具有 256、1024 和 4096 个量子比特的 HSC 的跃迁振幅。虽然状态向量模拟器需要 $O(2^{4096})$ 的内存（不可行），但 BS 方法仅需几兆字节的 RAM（4096 个量子比特时的 RSS 约为 2.8 MiB），并在 16 个节点上运行不到 30 分钟即可完成。
稀疏性 vs. 符号问题： 对 500 个随机电路的分析表明，FS 与 BS 之间的方差比对路径空间稀疏性高度敏感，但对平均相位平方倒数（ $\chi$ ，衡量数值符号问题的指标）几乎不敏感。这证实了改进源于对稀疏空间的更好采样，而非对破坏性干涉的更好处理。

意义与主张
论文声称，所提出的双向采样结合多重重要性采样提供了一种稳健且无偏的方法，用于估计量子电路的跃迁振幅。其主要意义在于证明了通过利用路径积分的 $O(nL)$ 空间复杂度和通过双向探索克服稀疏性瓶颈，经典模拟可以扩展到数千个量子比特（具体为 4096 个）。

作者明确指出，虽然该方法能有效处理稀疏性，但数值符号问题仍然是路径积分蒙特卡洛方法的一个根本挑战。随着破坏性干涉的增加（高 $\chi$ 值），采样需求仍会呈指数级增长。论文结论较为谦逊，指出未来仍需研究如何处理噪声系统，并调查替代路径表示法（如稳定子态）是否能进一步缓解符号问题。该工作并不声称解决了量子模拟的一般性困难，而是为在大规模、稀疏路径空间中估计振幅提供了一个特定的、高效的工具。

技术摘要：量子电路的双向路径积分蒙特卡洛模拟

类似论文